日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

ナビゲーションarXiv:2603.25937

視覚基盤モデルはナビゲーションできるか?ゼロショット実世界評価と教訓

Can Vision Foundation Models Navigate? Zero-Shot Real-World Evaluation and Lessons Learned

シェア:XThreadsFacebookLINEはてブBluesky

5つの最先端視覚ナビゲーションモデルを2つのロボットと屋内・屋外5環境で実世界評価し、成功率以外に経路品質・衝突・環境変化への頑健性を分析して3つの系統的限界を明らかにした。

詳しい要約

1. どんなもの?

- 視覚ナビゲーションモデル(VNM)の実世界評価 - 5つの最先端VNM(GNM, ViNT, NoMaD, NaviBridger, CrossFormer)を対象 - 2つのロボットプラットフォーム、屋内・屋外の5環境で評価 - 成功率だけでなく、経路ベース指標、視覚的目標認識スコア、画像摂動(motion blur, sunflare)への頑健性を評価 - 評価コードベースとデータセットを公開予定

2. 先行研究と比べてどこがすごい?

- 従来の評価は成功率のみに依存し、軌道品質、衝突行動、環境変化への頑健性を隠蔽 - 本研究は成功率を超えて、経路ベース指標、視覚的目標認識スコア、制御された画像摂動を組み合わせて評価 - 複数のロボットプラットフォームと多様な環境で実世界評価を実施 - 系統的な限界を明らかにし、再現可能なベンチマークを提供

3. 技術・手法の肝は?

- 5つのVNM(GNM, ViNT, NoMaD, NaviBridger, CrossFormer)を実世界で評価 - 2つのロボットプラットフォームと5つの環境(屋内・屋外)を使用 - 成功率に加え、経路ベース指標と視覚的目標認識スコアを組み合わせ - 画像摂動(motion blur, sunflare)を加えて頑健性を評価 - 評価コードベースとデータセットを公開予定

4. どうやって有効だと検証した?

- 実世界で5つのVNMを2つのロボットプラットフォームと5つの環境で評価 - 成功率、経路ベース指標、視覚的目標認識スコアを測定 - 画像摂動(motion blur, sunflare)に対する頑健性を評価 - 3つの系統的限界を発見:(a) 衝突頻発、(b) 知覚的に類似した場所の識別失敗、(c) 分布シフト下での性能低下

5. 議論はある?

- 建築的に洗練されたdiffusionやtransformerベースのモデルでも衝突が頻発し、幾何学的理解が限定的 - 知覚的に類似した異なる場所を識別できず、反復環境で目標予測エラーが発生(意味的差異は一部存在) - 分布シフト下で性能が低下 - これらの限界はVNMの実世界展開における課題を示唆

6. 次に読むべき論文は?

- GNM, ViNT, NoMaD, NaviBridger, CrossFormer(本論文で評価されたVNM) - 関連手法:diffusion-based navigation, transformer-based navigation - 同分野の定番:Visual Navigation Models (VNMs), 視覚ナビゲーション, ロボットナビゲーション

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Maeva Guerrier, Karthik Soma, Jana Pavlasek, Giovanni Beltrame

分類: cs.RO, cs.LG

原文アブストラクト

Visual Navigation Models (VNMs) promise generalizable, robot navigation by learning from large-scale visual demonstrations. Despite growing real-world deployment, existing evaluations rely almost exclusively on success rate, whether the robot reaches its goal, which conceals trajectory quality, collision behavior, and robustness to environmental change. We present a real-world evaluation of five state-of-the-art VNMs (GNM, ViNT, NoMaD, NaviBridger, and CrossFormer) across two robot platforms and five environments spanning indoor and outdoor settings. Beyond success rate, we combine path-based metrics with vision-based goal-recognition scores and assess robustness through controlled image perturbations (motion blur, sunflare). Our analysis uncovers three systematic limitations: (a) even architecturally sophisticated diffusion and transformer-based models exhibit frequent collisions, indicating limited geometric understanding; (b) models fail to discriminate between different locations that are perceptually similar, however some semantics differences are present, causing goal prediction errors in repetitive environments; and (c) performance degrades under distribution shift. We will publicly release our evaluation codebase and dataset to facilitate reproducible benchmarking of VNMs.

関連論文

  1. 1Boston Dynamics、車輪付きAtlasの研究試作機を紹介研究・技術
  2. 2GXOとApptronik、Apolloの物流現場試験を拡大 最大1,000台の展開を構想量産・展開
  3. 3newmoとKDDIが資本業務提携 2028年に堺市で自動運転タクシー商用化目指す提携・買収
  4. 4NVIDIA、CoRLでGR00T 2とIsaac Lab 3.0を発表新製品・発表
  5. 5UC BerkeleyとNVIDIAの研究者、AIエージェントでロボット制御コードを仮想環境で改善研究・技術

PR・アフィリエイト広告

FRONTIER(GPU搭載BTOパソコン)

FRONTIER(GPU搭載BTOパソコン)の公式広告バナーFRONTIERでGPU搭載PCを見る ↗
PR本紙発行元 EmplifAI